Inteligencia artificial revoluciona la reconstrucción 3D en biología

El Instituto de Normas y Ciencia de Corea (KRISS) presentó un innovador algoritmo de segmentación de imágenes basado en inteligencia artificial (IA) que permite reconstruir rápidamente estructuras tridimensionales (3D) a partir de imágenes bidimensionales (2D) de muestras biológicas obtenidas mediante un microscopio electrónico de barrido (SEM).

Este algoritmo, recientemente desarrollado, requiere un análisis manual de solo el 10% de los datos de imagen totales. Posteriormente, etiqueta automáticamente el resto de los datos para entrenar a la IA. Una vez entrenada, la IA realiza la segmentación automáticamente y reconstruye los resultados en 3D.

La investigación fue publicada en la revista Microscopy and Microanalysis. En comparación con los métodos convencionales, donde los investigadores debían analizar manualmente cada imagen de sección transversal, el nuevo enfoque reduce el tiempo y el costo requeridos para la visualización 3D en más de la mitad, mejorando significativamente la eficiencia de la investigación.

Un SEM captura una serie de imágenes de sección transversal de un espécimen a intervalos de varios decenas de nanómetros y las reconstruye en una estructura 3D. Este método permite la observación de alta resolución de estructuras celulares internas finas, siendo ampliamente utilizado en investigaciones de ciencias biológicas y diagnósticos médicos.

La segmentación de imágenes es un paso de preprocesamiento necesario para reconstruir estructuras 3D a partir de imágenes de SEM. Este proceso implica determinar la posición y forma precisas de estructuras específicas, como núcleos celulares y mitocondrias, en cada imagen de sección transversal. Al filtrar información innecesaria y resaltar claramente solo las estructuras objetivo, la segmentación de imágenes permite una reconstrucción 3D precisa.

Tradicionalmente, la segmentación de imágenes dependía de un enfoque de aprendizaje supervisado, donde expertos examinaban manualmente cientos o incluso miles de imágenes de sección transversal y anotaban las estructuras objetivo a mano. Sin embargo, este proceso requería un tiempo y mano de obra significativos, y los resultados a menudo se veían afectados por juicios subjetivos y errores humanos, dificultando la consistencia y fiabilidad en las reconstrucciones 3D finales.

Para abordar este desafío, el Grupo de Instrumentos de Investigación Emergentes de KRISS desarrolló un algoritmo basado en aprendizaje semi-supervisado que utiliza imágenes etiquetadas periódicamente como puntos de referencia para anotar automáticamente las secciones transversales adyacentes.

Por ejemplo, si hay 100 imágenes de SEM de sección transversal, los investigadores etiquetan manualmente cada décima imagen, y el algoritmo realiza automáticamente la etiquetación para las 90 imágenes restantes, completando así el análisis del conjunto de datos completo. Este enfoque reduce drásticamente el tiempo y el costo requeridos para preparar conjuntos de datos para la reconstrucción de estructuras 3D basada en IA.

En pruebas de rendimiento utilizando datos de células cerebrales de ratón, el algoritmo desarrollado por el equipo de investigación de KRISS demostró niveles de precisión dentro del 3% de los alcanzados por métodos convencionales, mientras que redujo el tiempo y costo de análisis a aproximadamente una octava parte. Incluso cuando se aplicó a datos a gran escala con una resolución de 4096 × 6144 píxeles, el algoritmo mantuvo tanto alta precisión como velocidad de procesamiento, mostrando un rendimiento estable a lo largo del tiempo.

El investigador senior Yun Dal Jae del Grupo de Instrumentos de Investigación Emergentes de KRISS afirmó: "La tecnología que desarrollamos puede aplicarse no solo en las ciencias biológicas, sino también en una amplia gama de campos que requieren análisis de imágenes automatizados, como la inspección de defectos en semiconductores y el desarrollo de nuevos materiales. En particular, puede ser muy útil en áreas donde es difícil obtener datos de entrenamiento de IA debido a preocupaciones de privacidad o limitaciones presupuestarias."